Deequ 2.0.10版本发布:数据质量检测能力再升级
项目简介
Deequ是AWS开源的一个用于大数据质量检测的库,它构建在Apache Spark之上,为大规模数据集提供了简单易用的数据质量验证工具。Deequ允许用户定义"数据质量约束",并自动计算指标来验证这些约束是否满足,帮助数据工程师和数据科学家确保其数据的正确性和完整性。
2.0.10版本核心更新
新增唯一性检查功能
在2.0.10版本中,Deequ引入了一个重要的新功能——唯一性检查。这项功能允许用户验证数据集中的特定列或列组合是否包含唯一值。在实际应用中,这非常有用,比如验证用户ID、交易ID等关键字段是否确实唯一,避免数据重复问题。
DQDL规则集支持
本次更新还引入了对DQDL(Data Quality Definition Language)规则集的初步支持。DQDL是一种用于定义数据质量规则的语言,通过这种支持,Deequ可以:
- 解析DQDL规则集定义
- 将DQDL规则转换为Deequ内部的约束表示
- 目前已经实现了行数规则的转换器
这为未来更全面的DQDL支持奠定了基础,将使数据质量规则的定义更加标准化和可管理。
字符串处理改进
针对包含单引号的字符串值,Deequ改进了其"isContainedIn"约束的处理逻辑。这项改进确保了对特殊字符的正确处理,提高了验证过程的准确性。在实际数据中,经常会出现包含各种特殊字符的字符串,这项改进使得Deequ能够更好地处理真实世界的数据场景。
技术实现优化
RDD替换工作
在底层实现上,2.0.10版本继续进行从RDD(弹性分布式数据集)向更现代API的迁移工作。虽然RDD是Spark最早的核心抽象,但随着Spark的发展,DataFrame/Dataset API提供了更高级的抽象和更好的性能。这项迁移工作将使Deequ能够更好地利用Spark的最新优化。
版本意义
Deequ 2.0.10版本虽然是一个小版本更新,但它带来了几个重要的改进:
- 唯一性检查功能填补了数据质量验证的一个重要场景
- DQDL支持为未来的标准化数据质量规则管理铺平了道路
- 字符串处理改进增强了工具的鲁棒性
- 底层API的现代化工作确保了项目的长期可维护性
对于正在使用Deequ进行数据质量管理的团队,升级到2.0.10版本将能够利用这些新功能来构建更全面、更健壮的数据质量保障体系。特别是对于那些需要处理复杂数据场景和需要标准化数据质量规则管理的组织,这个版本提供了重要的新能力。
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GLM-V
GLM-4.5V and GLM-4.1V-Thinking: Towards Versatile Multimodal Reasoning with Scalable Reinforcement LearningPython00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0107AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile010
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









